Un método de optimización para guiar de forma más eficiente a los taxis eléctricos autónomos por el tráfico urbano.
Los taxis eléctricos autónomos tienen el potencial de mejorar significativamente la eficiencia y sostenibilidad del tráfico urbano. Además, se prevé que puedan reducir los costes por kilómetro hasta en un 60% en comparación con los taxis convencionales, según un informe de la Universidad de Stanford. No obstante, uno de los principales desafíos a la hora de gestionar taxis autónomos es la coordinación de la flota.
Uno de los principales problemas cotidianos es la gestión del tráfico en horas punta: por las mañanas, muchos pasajeros desean desplazarse al centro de la ciudad y, por las tardes, desean salir de él. Por lo tanto, los vehículos autónomos a menudo deben regresar vacíos para volver a estar disponibles en los puntos de partida. En el caso de los coches eléctricos, la recarga intermedia necesaria añade otra capa de complejidad. Sin una planificación que contemple la visión de futuro, esto puede acarrear riesgos como atascos, tiempos de espera prolongados y un uso desequilibrado de las estaciones de recarga.
Para abordar este desafío, un equipo de investigación de la Universidad de Chalmers, en Suecia, en colaboración con Volvo Cars, está implementando una estrategia que combina aprendizaje automático y optimización clásica. Para realizar una predicción precisa de la demanda de pasajeros y las estaciones de recarga disponibles, el equipo ha implementado el uso de redes neuronales bayesianas (BNN), las cuales han sido meticulosamente entrenadas mediante el análisis de datos históricos de taxis de las ciudades de San Francisco y Chicago.
Ciertamente, la principal ventaja de este método de aprendizaje automático estriba en que las redes neuronales binarias (BNN) no se limitan a calcular probabilidades puras, sino que también proporcionan estimaciones sobre el grado de incertidumbre de sus propias predicciones. En caso de que el comportamiento de los pasajeros sufra alteraciones de forma imprevista —como podría ser una precipitación pluvial repentina—, el sistema de gestión de la flota se mantendrá estable.
Es importante destacar que la inteligencia artificial (IA) no toma decisiones de manera independiente, sino que actúa como una base de datos. La planificación real de la conducción y la recarga se lleva a cabo mediante un modelo matemático de optimización con reglas fijas. Dado que una gran ciudad presenta numerosas variables, el algoritmo desglosa la tarea global en secciones más pequeñas y las combina para formar un plan global. Esta funcionalidad permite la toma de decisiones en fracciones de segundo, incluso en el contexto de flotas de vehículos de gran envergadura.
Además, el equipo llevó a cabo un análisis exhaustivo de tres tipos de vehículos eléctricos, cada uno con diferentes tamaños de batería y valores de eficiencia. Los resultados obtenidos evidencian de manera contundente la influencia de la tecnología del vehículo en la disponibilidad de la flota. Con el equilibrio adecuado entre el tamaño de la batería, la planificación de la recarga y la previsión de datos, es posible aumentar considerablemente la fiabilidad del uso diario de los taxis eléctricos autónomos.
Escrito por José Miguel Fernández Gómez.
